利用仅需数张自然图像和已知任意环境映射，基于物理原理的网络，可恢复透明物体的 3D 形状，包括复杂折射和反射，其成功复原了高质量透明物体的 3D 几何形状，最少仅需五到十二张图片。

Apr, 2020

NeTO 是一种通过体积渲染的，利用带有自遮挡感知的折射光线跟踪优化带隐式符号距离函数（Signed Distance Function）表面表示的方法，能够重建高质量的透明物体三维图像，且在正确重建自遮挡区域方面表现优异。

Mar, 2023

本文提出了一种用于重建透明物体完整 3D 形状的全自动方法，通过不同视角下捕获透明物体的轮廓和光线折射路径，并在表面投影、轮廓一致性和表面光滑度三个约束条件下逐步优化模型，实验结果表明该方法可以成功恢复透明物体的复杂形状，并忠实地再现它们的光折射特性。

May, 2018

该研究提出了一种反渲染模型，可以从一对仅捕获到的半透明物体的图像中，联合预测 3D 形状、可变反射率、均匀次表面散射参数和环境光照。研究者还使用了基于物理和神经渲染器来解决反渲染中的模糊问题，并构建了庞大的合成数据集来验证模型的有效性。

May, 2023

本研究提出了一种新颖的 NeuS-HSR 表面重建框架，基于隐式神经渲染，通过对高度镜面反射的干扰的降低，与物理假设相结合的新颖辅助平面模块的设计，来实现对目标表面的精确重建，并在合成和实际数据集上进行广泛的实验来验证其性能。

Apr, 2023

本文介绍了一种用于实景透明物体的高精度 3D 采集和重建方法，通过使用静态背景和编码模式，建立了相机视野光线和背景上位置之间的映射，并使用不同 iable 跟踪折射光线路径直接优化目标物体的 3D 网格近似，同时保证剪影一致性和平滑度。

Sep, 2020

本研究提出了一种基于手持拍摄的自然光下重建透明物体的 3D 形状的新方法，该方法采用了显式网格和多层感知器网络（MLP）的混合表示，通过多视图剪影获得初始形状，并使用基于表面的局部 MLP 编码顶点位移场（VDF）进行表面细节的重建。定义在表面而不是体积上的局部 MLPs 也减少了搜索空间，从而实现了基于单张图片的环境抠图算法的简化实现。经过多项实验证明，此方法可以在采集数据方面进行简化，并且可以确保重建质量优于现有的技术水平。

Mar, 2022

从真实世界数据中忠实地创建的数字 3D 物体表示可以用于人工或计算机辅助分析，同时可以用于生成难以获取或缺乏训练数据的机器学习方法的训练数据，本文提出了一种用于获取包括半透明物体内部的物理模型的体积重建方法，通过在明亮的白光源前以不同角度拍摄物体并计算每个体素的吸收和散射来解决可视化层析成像问题，此外，还提出了一种将非物理 NeRF 媒体转换为基于物理的体积网格的方法，并通过两个真实的浮游生物验证集展示了该方法的有用性，最终还将实验室扫描的模型重新光照并虚拟地浸入带有增强介质和照明条件的场景中。

Dec, 2023

该研究提出了一种称为 NeRO 的基于神经渲染的方法，用于从采集于未知环境中的多视角图像中，重建反射物体的几何和 BRDF。该方法通过两个步骤解决了在多视角情况下反射物体重建的困难，并成功地重建出了几何和 BRDF。

May, 2023

本文介绍一种神经网络架构，通过联合学习未知几何形状、相机参数和神经渲染器，能够高质量、高精度、高细节地实现多角度 3D 表面重建。该方法通过零级集的神经网络表示几何形状，并采用基于渲染方程的神经渲染器来预测表面上的光的反射情况，具有广泛的光照和材质建模能力。

Mar, 2020